AI菜单工程与定价策略：4 个核心指标拆解与实操

菜单工程的核心，是把每道菜的销量和毛利放在一起看，然后决定留谁、砍谁、给谁调价。AI菜单工程与定价策略没有推翻这套逻辑，它改的是算账方式：以前一个人对着 Excel 拉一周，现在系统十分钟出结果。行业里比较公认的一条经验是，一份 40 道菜的菜单，真正赚钱的可能不到 10 道。剩下的菜不一定要砍，但你得清楚它们为什么还留在菜单上。

什么是 AI 菜单工程？它到底解决什么问题？

AI 菜单工程是把传统菜单工程的四象限分析，交给系统去跑数据、算指标、出建议。它不替你做决定，负责的是把「感觉这道菜卖得好」变成「这道菜点单率 18%，毛利贡献排第七」。

传统菜单工程的四个象限

这套方法上世纪八十年代就有了，最早由 Michael Kasavana 和 Jack Smith 提出，思路借的是波士顿矩阵。横轴看销量，纵轴看单位毛利，交叉一划就是四类菜：

• 明星：卖得多、毛利也高。这类菜要保住，别轻易改配方和价格。
• 勤牛：卖得多、毛利低。走量不赚钱，常见做法是微调价格，或者换供应商压成本。
• 谜题：卖得少、毛利高。推一把可能变明星，推不动就是白占菜单位置。
• 瘦狗：卖得少、毛利也低。这类菜最该被问一句「你还留着干嘛」。

AI 加进来，省的是哪部分人工

一个月的 POS 小票动辄几千上万条，人工汇总容易出错，而且没人愿意每周重算一遍。系统能做的是自动把菜名和编码对上、算出每道菜的点单率，再顺手跑一遍购物篮分析，告诉你哪些菜经常被一起点。这些活以前要么外包，要么干脆不做。

菜单工程的核心指标有哪些？怎么算？

三个指标就够用：点单率、单位毛利、毛利贡献总额。点单率看这道菜被多少人点，单位毛利看它赚不赚钱，毛利贡献总额看它给店里贡献了多少钱。前两个是过程，最后一个是结果。

三个指标的具体算法

点单率等于这道菜的点单份数除以总订单数。一道菜一个月卖了 600 份，店里出了 4000 单，点单率就是 15%。单位毛利是售价减食材成本，卖 38 块、食材 12 块，单位毛利 26 块。毛利贡献总额再乘上销量，600 份乘 26 块，一个月贡献 15600 块。

三个数放在一起看，很多事就清楚了。有的菜点单率高得吓人，一算毛利贡献却排在十名开外，典型的勤牛。有的菜一个月只卖 80 份，单位毛利却有 40 块，贡献额比想象中高，直接砍掉反而亏。

分界线怎么划，才不会把好菜划成瘦狗

分界线一般用平均值，但这里有个细节：横轴用点单数还是毛利贡献额，结论会不一样。用点单数做横轴，销量低的菜会被压到左边；用毛利贡献额做横轴，高单价的菜就翻身了。我的建议是两个都跑一遍，看哪道菜在两版里都被划进瘦狗，那才是真的该处理。

定价策略怎么落地？一次涨多少合适？

一次调价控制在 3% 到 5%，然后观察四周。幅度太大客人立刻察觉，幅度太小又会被成本吃掉，中间这个区间在餐饮行业里比较稳妥。

先算毛利，别先看销量

很多老板一涨价就盯着销量掉没掉，其实该盯的是毛利额。举个具体例子：一份卖 30 块、食材成本 10 块的菜，单位毛利 20 块。涨 3 块之后单位毛利变成 23 块，涨了 15%。只要销量跌幅不到 13%，你赚的钱就比原来多。这个换算关系，比「客人会不会不高兴」这种直觉靠谱得多。

哪几类菜适合先动价

适合先动价的是谜题类菜，卖得少但毛利高，说明点它的人对价格不敏感。其次是招牌菜里的高毛利款，客人冲着它来，涨两三块很少有人当场翻脸。最不该先动的是勤牛，本来就靠走量，一涨价销量掉下去，毛利贡献额跟着塌。

菜单本身也能帮忙。康奈尔大学酒店管理学院做过菜单价格呈现的研究，结论之一是去掉价格前面的货币符号，客人的价格痛感会低一些。这种细节改起来成本几乎为零。

实操最容易踩哪些坑？

两个坑最常见：数据周期太短，还有改完不做对照。前者让你得出错误结论，后者让你永远不知道改动到底有没有用。

数据太短，季节性全被吃掉

至少拉 8 到 12 周的明细。只取两周数据，碰上天气或者节假日，某道菜可能凭空变成瘦狗。有季节菜单的店，得把同一个季节的数据放在一起比，不然冬天卖得好的砂锅和夏天卖得好的凉菜，怎么比都是错的。

改完不做对照，等于白改

调价之后留一组没动的菜做对照，四周后一起看。如果全店销量都在跌，那是客流的问题，不是价格的问题。没有对照，你分不清这两件事。

还有个小坑：菜名和 POS 编码对不上。改过名的菜、临时加的季节款、外卖和堂食用了两套编码，这些都会让数据算错。动手之前先花半天把编码理干净，比什么都值。

想开始的话，第一步不是买系统，是从 POS 后台导出一份 12 周的明细，用 Excel 把点单率、单位毛利、毛利贡献额三个数算出来，先看一遍自己的菜单长什么样。这一步做完，你大概就知道该不该往下走了。